通过在线平台分享的内容观察个人行为和心情变化的识别已成为越来越重要的课题，本研究定义了一项新的任务，即基于个人在线共享内容识别个人变化时刻，我们在此基础上开发了几种基线模型，并引入了适应上下文的顺序建模的新度量。

May, 2022

本论文提出了一种优化框架，设计用于平衡文章和评论摘要之间的主题连贯性以及其信息性和事件覆盖面。在真实数据集上自动评估表明，与现有系统相比，我们的系统生成的时间线更具信息性。在人类评估中，相关评论摘要更被认为具有洞察力。

Jun, 2016

我们引入了临床意义的社交媒体用户时间线总结的新任务，适用于精神健康监测。我们开发了一种新颖的无监督抽象总结方法，生成由高层次信息和用户社交媒体时间线中与时间敏感证据相配套的双层总结。我们的方法的关键方法创新来自基于一种适应表示长文本的分层变分自动编码器（VAE）版本和由 LLM 注释的关键短语引导的时间线总结组件。通过自动评估和临床专家的人工评估，我们评估了我们的新型架构生成的总结，结果显示 TH-VAE 进行的时间线总结逻辑连贯，临床效用丰富，并且在捕捉时间变化方面优于仅使用 LLM 方法。

Jan, 2024

本文提出了一个无监督框架，基于用户发布的推文来创建个人重要事件的时间线，通过分析个人推文集合并使用多层狄利克雷过程模型来识别个人时间特定话题、个人时间通用话题、公共时间特定话题和公共时间通用话题，再进一步抽取这些类型的话题以生成时间线，经过实验证明这是一个有效的方法。

Sep, 2013

本研究同时使用静态和时变词嵌入来衡量事件对词汇的影响，通过创建历史转折点的时间轴来了解目标词的演化，定量评估结果表明这种技术可以捕捉语义变化和事件影响。

Sep, 2019

本文提出了一个名为 Multi-scale Temporalization 的新的计算框架，通过多尺度分解和结构重构来估计基于用户、帖子和时间的张量空间中的流行度，从而整合多个时间尺度动态来预测社交媒体影响力。通过在两个大规模 Flickr 图像数据集上进行实证评估，结果表明我们的方法在预测准确性方面具有明显的优势。

Dec, 2017

使用推特获得的大量时间序列数据，通过词嵌入技术和专门微调的语言模型进行后处理，捕捉了过去五年中 n-gram 频率、相似性、情感和主题分布的变化。构建在该数据之上的界面可以进行时间分析，用于检测和描述意义的转变，包括与趋势度量相补充的情感和主题的时间关联信息。我们提供了一个在线演示用于方便实验，还分享了代码和底层的聚合数据供以后的工作使用。本文还讨论了基于我们平台的三个案例研究，展示了它在时间语言分析方面的潜力。

Aug, 2023

本文介绍了 TimeLMs，这是一组针对历时推特数据的语言模型。采用持续学习策略，增强了其处理未来和分布外推特以及应对特定命名实体和概念漂移等方面的能力，使其与标准和更加单一的基准模型相竞争。

Feb, 2022

该研究论文论述了纵向情感分析如何呈现社交媒体平台上的时间动态，存在哪些挑战，以及纵向透视如何使研究更具价值，并通过对 2021 年 1 月 6 日美国国会大厦冲击事件期间的推文进行情感分析的实际应用，探索纵向情感分析在激进化研究领域中的适用性、限制性和局限性，结果表明在某些条件下，纵向情感分析可以提高基于证据的激进化预测的准确性。

Oct, 2022

本文提出了一种新颖的表征学习模型，通过系统性地利用用户 Twitter 时间轴上的文本 “上下文”，并考虑用户背景知识如写作风格和写作主题总结，从而准确地计算推文的语义表示，并通过实验证明，在预测用户配偶、教育和工作等人物属性时，该模型优于现有最先进模型，分别提高了 19.66%、2.27% 和 2.22%。

Dec, 2016